基于MATLAB的BP网络变压器故障诊断仿真

基于油中溶解气体分析针变压器故障诊断的对传统方法,在诊断过程中各存在不同程度的诊断缺陷。导致输出的诊断结果不准确、不能真实、全面反映变压器的真实故障状态。将人工网络算法应用到电力变压器故障诊断中。搭建了BP网络诊断模型,实现对不同类型、不同程度故障的诊断。并运用MATLAB神经网络工具箱进行仿真实验,较传统的变压器故障诊断的方法明显的提高了故障诊断准确率。     

基于重构贡献和灰关联熵的变压器诊断方法

提出了一种基于重构贡献和灰关联熵相结合的变压器故障诊断新方法.该方法在利用油中溶解气体分析数据建立主元模型后,基于故障重构的思想,计算样本各变量重构贡献率作为特征量,规格化处理来提取变压器油中溶解气体的故障特征信息.为了克服单一灰关联分析中易造成局部关联及信息损失等缺陷,采用灰关联熵方法进行变压器故障类型诊断.实例研究结果表明,该方法具有良好的故障识别能力,提高了故障诊断的准确性.     

神经网络技术在变压器故障诊断中的应用

本文针对变压器传统故障诊断的缺点,提出将神经网络技术用于变压器故障诊断。本文对BP算法改进,使网络收敛速度和误差精度进一步提高。收集部分油中溶解气体故障数据样本,对变压器故障类型进行了分析,并确定网络的输入和输出向量,建立诊断网络模型,实现对各项网络参数的比较确定,在Mtalab里面仿真使误差满足要求。     

多策略改进麻雀算法与 BiLSTM 的变压器故障诊断研究

针对变压器故障诊断精度低的问题,提出了一种多策略改进麻雀算法(MISSA)与双向长短时记忆网络(BiLSTM)的变压器故障诊断模型。基于油中溶解气体分析(DGA)技术,结合无编码比值方法提取变压器9维故障特征作为模型输入进行网络训练,输出层采用Softmax函数得到故障诊断类型;采用Logistic混沌映射、均匀分布的动态自适应权重以及动态拉普拉斯算子来对麻雀搜索算法(SSA)进行改进;在初始解集内,利用MISSA对目标超参数进行寻优,使变压器故障诊断精度最优,并结合核主成分分析(KPCA)对故障特征指标降维,加快模型收敛速度。结果表明,提出的模型诊断精度为94%与PSO-BiLSTM、GWO-BiLSTM和SSA-BiLSTM故障诊断模型相比,分别提高了11.33%、8.67%、6%,验证了本文方法能够有效地提高变压器的故障诊断性能。     

发动机故障冷测试的贝叶斯诊断网络

为提高故障诊断中不确定信息的处理能力和推理质量,将贝叶斯网络技术引入发动机故障诊断领域。充分考虑发动机故障产生的机理,提出一种适用性较强的三层贝叶斯网络结构,增加了诊断信息来源,符合专家的诊断思路。诊断实例验证了其良好的故障源识别效果。     

基于PNN的电力变压器故障诊断方法

对油中溶解气体进行深入分析后,以改良的三比值法为基础,提出一种基于概率神经网络(PNN)的变压器故障诊断方法。该方法利用PNN的强大的非线性分类能力,将故障样本空间映射到故障模式空间中,可形成一个具有较强容错能力和结构自适应能力的诊断网络系统,从而提高故障诊断的准确率。仿真结果表明,实际案例数据验证了此方法准确率高,是一种有效的故障诊断方法。     

基于证据理论的信息融合技术变压器故障诊断方法研究

目前对于变压器的故障诊断,还没有利用多种变压器状态信息进行综合判断。从证据理论的基本概念和证据的融合推理方法出发,建立了变压器多故障特征信息融合诊断框架。该方法把从多传感器得到的变压器状态数据看作一个信息系统,运行过程中不断产生各种信息,并将信息加工成故障特征,通过特定的诊断决策规则,得出诊断结论。最后给出了一个变压器故障诊断的实例,结果表明该方法能够有效地提高变压器故障诊断可信度,减小诊断的不确定性。     

基于SSA-PNN的电力变压器故障诊断

为了提高变压器故障诊断的准确率,在改良三比值法的基础上,采用麻雀搜索算法优化概率神经网络构建一种新型变压器故障诊断网络模型,并设计相应的故障诊断方法。分析表明,与基于概率神经网络的变压器故障诊断方法相比,基于该网络模型的诊断方法提高了变压器故障识别与故障分类的准确率,在电力变压器的故障诊断中具有一定的实际工程意义。     

基于多方法融合的铁路轴承故障诊断

由于铁路轴承的易损性和故障信号提取的复杂性,文中应用了多方法融合的诊断法对铁路轴承进行故障诊断,并对基于多方法融合的BP和RBF两种网络进行了比较。首先,对采集到得信号进行FIR降噪,再对降噪后的信号进行小波包分解,构造特征向量,以此为故障样本对BP和RBF网络进行训练,实现智能化故障诊断,实验结果表明文中提出的方法能很好地诊断出轴承故障类型,但多方法融合的RBF的泛化能力优于BP网络,同时,在训练时间上,RBF网络也要优于BP网络,这为机械故障诊断提供理论依据。     

故障诊断综合信息Petri网的研究

为了解决故障诊断中的冲突消解问题,将故障概率信息和管理信息引入模糊Ｐｅｔｒｉ网,故障诊断综合信息网模型。研究了基于综合信息网的故障诊断问题,对故障进行分类、分析了不同类型的故障诊断所需管理信息的内容,确立了概率与管理信息的关系,通过机械手掉刀故障的诊断,验证了该模型和方法的正确性与可行性。     

基于RS和多类SVM的变压器故障诊断

鉴于电力变压器故障信息的复杂性和不完备性,建立了基于粗糙集(RS)和支持向量机(SVM)相结合的故障诊断模型.先利用RS对变压器的故障样本进行知识约简,以获得故障征兆最小条件属性与故障类型的相关关系;后利用多类SVM对小样本数据的泛化能力,建立多类故障分类器用于故障诊断.实例验证了该方法是有效的.     

基于RS和多类SVM的变压器故障诊断

鉴于电力变压器故障信息的复杂性和不完备性,建立了基于粗糙集(RS)和支持向量机(SVM)相结合的故障诊断模型.先利用RS对变压器的故障样本进行知识约简,以获得故障征兆最小条件属性与故障类型的相关关系;后利用多类SVM对小样本数据的泛化能力,建立多类故障分类器用于故障诊断.实例验证了该方法是有效的.     

基于SDP图像与VGG网络的旋转机械转子故障诊断研究

针对传统故障诊断方法对旋转机械转子故障状态识别精度较低的问题,提出了一种基于对称点模式图像特征信息融合与深度学习相结合的旋转机械转子故障诊断方法。采用SDP信息融合技术,对转子故障状态下的多通道振动信号进行了信息融合,通过SDP图形特征可简单直观地区分不同转子故障振动状态;结合深度学习VGG网络自适应提取了SDP图像的特征信息,对不同故障转化的SDP图像实现了准确的诊断识别,进而判别了其故障类型;通过变速器机械故障模拟实验验证了所提出方法的有效性,并与传统机器学习方法极限学习机(ELM)进行了比较。研究结果表明:基于SDP图像与VGG网络的旋转机械转子故障诊断方法解决了转子故障振动信号中存在的高复杂、非线性和不稳定问题,与传统机器学习方法ELM相比具有更高的识别精度。     

基于改进多分类概率SVM模型的变压器故障诊断

针对电力变压器内部结构复杂,故障类型繁多,难以实现故障准确有效诊断的问题。提出k近邻及改进多分类概率支持向量机对电力变压器进行多分类故障诊断的方法。首先,采用有向无环图的形式对变压器各种故障进行归类,进而利用k近邻算法对故障大类进行预分类,缩小故障所属类别,降低了后续多分类模型的构建复杂度。然后,以预分类后的类别样本数据作为输入,训练OVO-SVMs分类器,以概率的形式输出隶属各类的概率矩阵,并用改进OVR-SVMs分类器的概率输出作为概率矩阵中各元素的权重系数,对概率矩阵进行更新、修正,提高故障诊断正确率及可靠性。实际诊断结果显示,所提出的方法与IEC三比值法和传统的多分类支持向量机相比,在故障诊断范围、故障诊断正确率和故障诊断效率上均有所提高。     

基于三比值法的变压器故障诊断识别

变压器作为电力系统发、输、变、配电环节重要的电气设备,其故障能被快速、精准地诊断对电力系统稳定运行起到至关重要的作用。目前,变压器油中溶解气体的三比值法被广泛应用于变压器内部故障诊断,现利用三比值法对变压器进行诊断,在广泛收集5种变压器故障的基础上,首先利用ReliefF算法对三比值特征的重要性进行评价,然后利用KNN分类器进行故障识别。实验结果表明,该方法可以有效识别变压器故障类型。     

多源信息融合及其在齿轮泵故障诊断中的应用

针对齿轮泵故障信息的不确定性和模糊性,提出了一种多源信息融合的贝叶斯网络故障诊断方法。在探讨齿轮泵故障机理的基础上提取振动、流量和压力信号作为故障特征,构造故障贝叶斯网络,建立贝叶斯分类器进行多特征信息融合,利用最大后验概率准则判别故障类型。融合结果表明,该方法能够有效实现齿轮泵多种故障的诊断,具有广阔的应用前景。     

基于深度卷积变分自编码网络的故障诊断方法

机械传动部件的健康状况影响设备的正常运行,针对齿轮、轴承等传动部件的故障诊断,传统的诊断方法是依靠人工经验提取和选择故障特征,然而,特征选择的优劣直接影响诊断效果。结合深度学习在特征提取和处理高维数据方面的优势,提出一种基于深度卷积变分自编码网络(DCVAEN)的故障诊断方法。该方法利用频谱数据训练深度神经网络,能减少特征提取对人工经验的依赖和信息的损失,在网络中加入了变化的噪声和调整学习率,使得网络隐层提取判别性的故障特征,能满足多故障和变工况的诊断。利用自吸式离心泵数据和西储大学轴承数据进行分析验证,实验结果表明,所提方法能更准确、更稳定地识别传动部件的各种故障,具有较强的泛化能力。     

基于优化分簇贝叶斯网的转子振动故障诊断

针对柴油发动机的充电发电机结构及振动的复杂性导致其转子振动故障具有多层次性、耦合性和随机性,以及故障信息不完整性等特点,提出了一种基于振动频谱分析和贝叶斯网络的转子振动故障诊断方法。该方法将故障源和故障现象根据专家经验数值化表示并离散化,运用改进的优化分簇算法,构建特定振动故障类型的贝叶斯诊断网络,利用贝叶斯网络推理算法诊断出故障概率分布,并利用具体的故障证据、设定值对该方法进行验证。仿真及实验结果表明,该方法能在故障信息不完整情况下,依据不完整证据信息更新各网络节点的概率状态,实现对不确定信息的推理和估计,得到较好的诊断结果,提高了转子振动故障的诊断准确度。     

基于SOM神经网络的柴油机故障诊断

利用神经网络的非线性映射及其高度的自组织和自学习能力,将SOM网络应用于柴油机的故障诊断.利用夹持式传感器获得柴油机喷射系统的燃油压力波形,对波形进行时域分析和特征提取.根据所取得故障信息及其对应的故障类型来构造网络结构,用单一故障样本对网络进行训练,根据输出神经元在输出层的位置对故障进行判断.通过仿真实验验证SOM神经网络在柴油机故障诊断的正确性.经实例分析证明,该方法可对故障进行有效诊断.     

变压器故障的诊断研究

阐述了变压器在线故障诊断的意义,对故障类型和诊断方法做了详细的介绍,系统阐述了基于神经网络的变压器诊断理论,对尽早发现潜伏性故障及提高运行维护水平,具有重要的意义。